Utilizando la herramienta Google Trends obtenemos las busquedas de criptomoneda y bitcoin para mexico
https://trends.google.es/trends/explore?geo=MX&q=bitcoin,%2Fm%2F0vpj4_b
setwd("~/Estadistica")
library(readr)
criptovsbitcoin <- read_csv("criptovsbitcoin.csv")
## Rows: 52 Columns: 3
## -- Column specification --------------------------------------------------------
## Delimiter: ","
## dbl (3): Semana, bitcoin: (México), Criptomoneda: (México)
##
## i Use `spec()` to retrieve the full column specification for this data.
## i Specify the column types or set `show_col_types = FALSE` to quiet this message.
View(criptovsbitcoin)
El coeficiente de correlación de Pearson es una prueba que mide la relación estadística entre dos variables continuas. En este caso, aunque las graficas sean similares cuando nos vamos a los datos en bruto, podemos determinar que no hay una correlacion tan aparente teniendo como resultado aproximadamente un 59%.
Fuente:https://www.questionpro.com/blog/es/coeficiente-de-correlacion-de-pearson/
cor(criptovsbitcoin)
## Semana bitcoin: (México) Criptomoneda: (México)
## Semana 1.0000000 0.3777219 0.6400401
## bitcoin: (México) 0.3777219 1.0000000 0.5945529
## Criptomoneda: (México) 0.6400401 0.5945529 1.0000000
Las matrices de diagramas de dispersión son una buena forma de determinar si existen correlaciones lineales entre varias variables. En este caso, podemos apreciar que aunque si se puede ver una notable correlacion no es tan fuerte ya que hay que tomar en cuenta que solo es un 59% segun los datos.
Fuente:https://www.ibm.com/docs/es/spss-modeler/18.2.1?topic=types-scatter-plot-matrix-charts
pairs(criptovsbitcoin)
Julio: En lo personal, analizando los datos de la forma en que lo hicimos en el ejemplo y en el ejercicio en equipo creo que comprendi un poco mejor las correlaciones entre posibles datos o en este caso terminos de busqueda.